Prüfer von METR und Redwood Research fanden bei OpenAI erhebliche Kontrolllücken: Schätzungsweise 6 bis 25 Prozent des internen Agentenverkehrs mit Modellen ab GPT-5.5 blieben unbeobachtet. Bei Codex waren es zwischen Mai und Juli rund 10 Prozent; OpenAI behob den Fehler während der Prüfung.